Évaluation assistée par IA des psychotraumatismes liés aux lahars dans la commune du Prêcheur aux Antilles françaises
Bibliographic record
Abstract
Objectifs Les catastrophes naturelles ont des conséquences importantes sur la santé mentale. Les données recueillies auprès de la population offrent une occasion unique de surveillance après les catastrophes pour aider à identifier les besoins de soutien psychologique. L’objectif de cette étude est : 1) d’identifier les aspects psychopathologiques pour la commune du Prêcheur soumise au risque de lahars (laves volcaniques) ; et 2) de phénotyper les aspects psychopathologiques à partir des données recueillies auprès de la population. Méthode Nous avons appliqué une méthode de psychophénotypage assistée par l’intelligence artificielle (IA) sur les données de 40 personnes sur une durée de 20 mois, pour extraire les aspects psychopathologiques et psychiatriques liés aux aléas naturels traumatisants (lahars). Ensuite, nous les avons comparées aux résultats de tests psychométriques mesurant l’état global de santé mentale ainsi que l’état de stress posttraumatique. Résultats La rumination et la négativation figuraient parmi les aspects psychopathologiques les plus importants identifiés. De plus, nous avons noté la présence de la reviviscence et de l’évitement comme dimensions psychiatriques de base au fil du temps. Parmi celles-ci, l’évitement cognitif et l’évitement émotionnel ont été identifiés et semblent avoir émergés après la catastrophe. Conclusion Nous avons proposé une nouvelle approche de surveillance syndromique pour la santé mentale basée sur les données numériques qui peut soutenir les approches conventionnelles en fournissant des informations supplémentaires utiles dans le contexte d’une catastrophe. D’autres études sont nécessaires pour mieux contrôler les biais, identifier les associations avec des instruments valides et explorer des méthodes de calcul pour un ajustement continu du modèle d’analyse assisté par IA.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".